Ф'ючерси
Сотні безстрокових контрактів
TradFi
Золото
Одна платформа для світових активів
Опціони
Hot
Торгівля ванільними опціонами європейського зразка
Єдиний рахунок
Максимізуйте ефективність вашого капіталу
Демо торгівля
Вступ до ф'ючерсної торгівлі
Підготуйтеся до ф’ючерсної торгівлі
Ф'ючерсні події
Заробляйте, беручи участь в подіях
Демо торгівля
Використовуйте віртуальні кошти для безризикової торгівлі
Запуск
CandyDrop
Збирайте цукерки, щоб заробити аірдропи
Launchpool
Швидкий стейкінг, заробляйте нові токени
HODLer Airdrop
Утримуйте GT і отримуйте масові аірдропи безкоштовно
Pre-IPOs
Отримайте повний доступ до глобальних IPO акцій.
Alpha Поінти
Ончейн-торгівля та аірдропи
Ф'ючерсні бали
Заробляйте фʼючерсні бали та отримуйте аірдроп-винагороди
Інвестиції
Simple Earn
Заробляйте відсотки за допомогою неактивних токенів
Автоінвестування
Автоматичне інвестування на регулярній основі
Подвійні інвестиції
Прибуток від волатильності ринку
Soft Staking
Earn rewards with flexible staking
Криптопозика
0 Fees
Заставте одну криптовалюту, щоб позичити іншу
Центр кредитування
Єдиний центр кредитування
Центр багатства VIP
Преміальні плани зростання капіталу
Управління приватним капіталом
Розподіл преміальних активів
Квантовий фонд
Квантові стратегії найвищого рівня
Стейкінг
Стейкайте криптовалюту, щоб заробляти на продуктах PoS
Розумне кредитне плече
Кредитне плече без ліквідації
Випуск GUSD
Мінтинг GUSD для прибутку RWA
Більше
PyTorch TorchInductor інтегровано з CuteDSL як автоматичний бекенд для оптимізації матричного множення
ME Новини-повідомлення: 7 квітня (UTC+8), офіційна команда PyTorch нещодавно оголосила, що інтегрувала CuteDSL як четвертий бекенд автоматичного тюнінгу для операцій множення матриць у TorchInductor. Вибір цього бекенду ґрунтувався на трьох критеріях: не збільшувати надмірно навантаження з супроводу, не сповільнювати час компіляції або бенчмарків і забезпечити кращу продуктивність на цільових робочих навантаженнях. CuteDSL активно розробляється NVIDIA, надає оптимізовані шаблони ядер, час компіляції в ньому співставний із наявними бекендами та значно перевершує шлях CUTLASS C++ , який потребує повної компіляції \nvcc\ . Цей бекенд побудований на тих самих абстракціях, що й CUTLASS C++ , написаний на Python, компілюється швидше, а супроводжувати його простіше; він уже довів сильну продуктивність у FP8 GEMM і злитті Epilogue. Команда фокусується на оптимізації GEMM (множення матриць), оскільки в моделях Transformer саме вона становить основні витрати на обчислення. CuteDSL генерує базовий код, надаючи вручну оптимізовані шаблони, уникаючи складності написання ядер з нуля, і повністю розкриває структуру потоків та ієрархію пам’яті, підтримуючи функції, специфічні для архітектури. (Джерело: InFoQ)